基于非等距预测模型的填土路基沉降量分析

根据路基沉降量的实测资料,利用3种常用的灰色预测模型对路基沉降量变化规律进行分析及精度对比,选取预测精度最高的灰色预测模型预测路基最终沉降量。同时,基于改进灰靶决策理论,对路基沉降的影响因素进行综合分析,将靶心距与路基最终沉降量对应,利用非等距预测模型最终沉降量与靶心距之间的规律进行分析。研究结果表明:该模型可以揭示路基沉降与影响因素之间的量化关系,为路基沉降的预测与规律分析提供了新的思路与参考。     

基于PCA-SVR的池塘DO预测模型

为解决传统水质预测模型泛化能力低、预测精度差等问题,提出了基于主成分分析和支持向量机相结合的养殖池塘溶解氧预测模型.该模型通过主成分分析筛选反映池塘水体溶解氧信息的关键指标,减少模型输入变量,采用支持向量机算法建立水质预测模型,并用于长沙市乔口镇与望城区池塘养殖溶解氧预测中.结果表明,该模型预测精度高,同时具有很强的泛化能力与适应数据变化的能力,可用于池塘溶解氧预测.     

基于多灰色预测模型对比的高速公路路基沉降量预测

高速公路路基沉降量的预测不仅关系着高速公路的施工质量与服务水平,同时对高速公路的行车安全也有重要影响.根据路基沉降量的实测资料,通过多种灰色预测模型对路基沉降量进行了数据规律分析及精度对比,选取了最优的灰色预测模型对路基最终沉降量进行预测.为路基稳定性的评价与路基沉降的控制应对提供了参考.     

高速公路路基沉降的组合预测研究

保证路基沉降变形的稳定是公路建设中至关重要的一项基础性工作,本文在分析已有沉降预测模型的基础上,建立了高速公路路基沉降预测的等权重组合模型。计算表明,利用等权重组合模型具有较高的预测精度,同时考虑了多个影响因素,为路基沉降变形预测提供了一条心的途径。     

基于支持向量机的汽油辛烷值预测研究

针对工业汽油成品辛烷值含量难以实时获取的问题,提出一种辛烷值预测模型,对成品汽油辛烷值含量进行精确预测.首先以某一大型石化企业真实采集数据为基础,提出一种基于孤立森林的数据清洗方式,对原始数据中异常值及缺失值进行预测及填充;然后通过主成分分析法选取与辛烷值含量相关系数较高的36个特征变量基于支持向量机训练辛烷值含量预测...     

基于改进M5′-主成分模型树的高心墙堆石坝沉降变形预测

针对高心墙堆石坝沉降变形过程动态非线性特点,建立基于改进M5'-主成分模型树的高心墙堆石坝沉降变形分析模型,在采用相关性分析甄选沉降变形影响因素和采用主成分分析将高维影响因素空间进行降维的基础上,利用该全局分段非线性模型对高心墙堆石坝沉降过程进行分析。通过与沉降量实测值对比,验证了改进M5'-主成分模型树的有效性。通过绝对差值和均方根误差2个指标对比分析改进M5'-主成分模型树与M5'模型树、多元线性回归模型、主成分回归分析模型的预测结果,表明改进M5'-主成分模型树预测沉降量具有更高的精度。     

高炉铁水硅含量序列的支持向量机预测模型

基于包钢6号高炉的在线生产数据,首先建立铁水硅含量序列的自回归AR(p)模型,分析其滞后阶数;然后对硅含量的自回归项及影响因素进行主成分分析,找到多元变量相互独立的有效信息作为输入变量;最后建立铁水硅含量的支持向量机回归预测模型。该模型对炉温预测的准确度达到88.2%,对在线监测高炉炉温具有一定的实用价值。     

基于主成分分析协同随机森林算法的热连轧带钢宽度预测

为提高热连轧粗轧带钢生产过程中换钢种、换规格及换辊后的首块带钢宽度设定模型精度,本文提出一种基于主成分分析协同随机森林(PCA-RF)算法的宽度预测模型.采用主成分分析法对数据样本合理分析,通过计算特征值、主成分贡献度及累计贡献度进行特征选择.在PCA筛选的变量数据集上训练最佳随机森林宽度预测模型.同时,使用支持向量机回归(SVR)、K-最近邻(KNN)模型进行对比验证.通过实际应用表明,PCA-RF各道次宽度模型R-squared值控制在99.9%~1,且96%以上样本点预测误差在-5~5mm,从而证明该模型实现了换钢种、换规格及换辊后的首块钢宽度的高精度预测.     

基于灰色关联支持向量机的混凝土抗压强度预测

混凝土抗压强度预测是一个动态的系统工程,其精度受到多种高维非线性、随机性因素的影响.为有效提高混凝土抗压强度的预测精度,在分析支持向量机的基础上,构建了基于灰色关联支持向量机的混凝土抗压强度预测模型.该模型基于灰色关联分析确定混凝土抗压强度的主导因素,然后通过支持向量机建立其与变量之间的非线性映射关系,同时利用网格搜索算法对支持向量机进行参数寻优.仿真结果表明:与单纯支持向量机和BP神经网络模型预测结果相比,基于灰色关联支持向量机的预测模型更为有效可靠,为提高混凝土抗压强度预测精度提供了新的途径.     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

最优权组合模型在季冻区公路软基工后沉降中的应用

为研究最优权组合预测模型在季冻区公路软基沉降预测中的适用性,选取某一级公路的典型断面,采用分层沉降仪进行沉降监测,通过沉降管上磁环位置的移动来反映路基沉降变化。根据一年的沉降实测资料,对原始非线性数据进行三次样条插值处理,基于最优权权重法将灰色GM(1,1)及二次曲线模型进行组合,对地基的远期沉降进行预测,将预测结果与实测资料进行对比,探究该模型的适用性,同时基于季冻区气候特点,选取适合高寒地区路基监测的合理时距。研究表明：最优权权重组合模型的预测效果与样本数密切相关,适当增加建立模型的样本数亦可显著提高预测精度;在考虑区域气候条件下,适当减少冬季及沉降速率较慢的月份的样本数量,增加在沉降初期及冻融前后的样本数量可以有效提高模型的预测效果;本文的最优权组合预测模型可以较好地预测季冻区公路远期沉降,为类似工程的沉降预测提供参考。     

多种校准方法对多组分体系的定性定量分析比较

采用偏最小二乘法（PLS）和主成分分析法（PCA）对光谱数据进行主成分提取,并利用遗传算法（GA）对波长进行选择,剔除不相关的变量,达到压缩数据的目的;采用反向传播人工神经网络（BP-ANN）方法,对多组分体系进行定性定量分析.建立了一个PLS-BP-ANN、PCA-BP-ANN、GA-BP-ANN和BP-ANN四种模型的化学计量学多组分分析平台,对谱带混叠严重的5种大气有机毒物——苯、甲苯、甲醇、氯仿和丙酮进行了定性定量测定,比较了4种模型的误差,结果表明,PLS-BP-ANN模型得到的结果最好.     

基于PCA-OS-ELM的大气PM2.5浓度预测

为了提高细颗粒物PM_2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合（PCA-OS-ELM）的PM_2.5浓度预测方法. 首先,通过主成分分析方法（PCA）提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机（OS-ELM）网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.      

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

基于主成分分析法优化神经网络的滆湖组黏性土抗剪强度预测

为了研究苏锡常地区滆湖组黏性土抗剪强度特性,建立抗剪强度参数预测模型;以研究区711组滆湖组黏性土物理力学试验数据为载体,运用主成分分析(principal component analysis, PCA)方法,从样本11个指标中提取影响目标变量的主成分;将其作为反向传播神经网络(back propagation neural network, BPNN)模型的输入层,建立基于PCA-BPNN算法的滆湖组黏性土抗剪强度预测模型。结果表明：当主成分数量为3时,主成分累计贡献率达93.4%;第一、二主成分贡献率分别为52.1%和36.6%;PCA算法即保留了样本大部分信息,又实现了对多维变量的降维。第一主成分可归纳为土体孔隙特性,与黏聚力和内摩擦角均呈负相关关系;第二主成分可归纳为土体水稳性,与黏聚力和内摩擦角均呈正相关关系;土体孔隙特性越显著,水稳性越弱,抗剪强度越低。建立了滆湖组黏性土抗剪强度参数PCA-BPNN预测模型,模型抗剪强度拟合优度为0.85,内摩擦角拟合优度为0.72;模型可靠性总体较高。可见PCA-BPNN预测模型即可降低解释变量间的多重共线性,简化了模型,又能够提升模型...     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·     

路基深层水平位移预测方法

研究了多种位移预测方法,并建立了相应的预测模型,用于水平位移预测.参照后验差比值C和小误差概率P等级划分标准,结果表明,GM（1,1）模型用于路基水平位移预测是可行的,该模型预测趋势与实测值一致,预测精度要高于对数曲线拟合法,稳定性要高于指数平滑法.     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。